論文の概要: Wave-LSTM: Multi-scale analysis of somatic whole genome copy number profiles

• arxiv url: http://arxiv.org/abs/2408.12636v1
• Date: Thu, 22 Aug 2024 16:14:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 16:59:27.302257
• Title: Wave-LSTM: Multi-scale analysis of somatic whole genome copy number profiles
• Title（参考訳）: Wave-LSTM:体性全ゲノムコピー数プロファイルのマルチスケール解析
• Authors: Charles Gadd, Christopher Yau,
• Abstract要約: コピー数プロファイルからマルチスケール表現を導出するためにWave-LSTMを使用できることを示す。 本稿では,単一セルコピー数データからサブクローン構造を解読できるコピー数プロファイルから,Wave-LSTMを用いてマルチスケール表現を導出できることを示す。
• 参考スコア（独自算出の注目度）: 5.655251163654288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Changes in the number of copies of certain parts of the genome, known as copy number alterations (CNAs), due to somatic mutation processes are a hallmark of many cancers. This genomic complexity is known to be associated with poorer outcomes for patients but describing its contribution in detail has been difficult. Copy number alterations can affect large regions spanning whole chromosomes or the entire genome itself but can also be localised to only small segments of the genome and no methods exist that allow this multi-scale nature to be quantified. In this paper, we address this using Wave-LSTM, a signal decomposition approach designed to capture the multi-scale structure of complex whole genome copy number profiles. Using wavelet-based source separation in combination with deep learning-based attention mechanisms. We show that Wave-LSTM can be used to derive multi-scale representations from copy number profiles which can be used to decipher sub-clonal structures from single-cell copy number data and to improve survival prediction performance from patient tumour profiles.
• Abstract（参考訳）: ゲノムの特定の部分のコピー数の変化(コピー数変更(CNAs))は、体細胞突然変異によるものである。 このゲノムの複雑さは、患者にとってより貧弱な結果に結びつくことが知られているが、その貢献を詳細に説明することは困難である。 コピー数の変化は、染色体全体またはゲノムそのもの全体にまたがる大きな領域に影響を与えるが、ゲノムの小さな部分のみに局在することもでき、このマルチスケールの性質を定量化できる方法はない。 本稿では、複雑な全ゲノムコピー数プロファイルのマルチスケール構造を捉えるために設計された信号分解手法であるWave-LSTMを用いて、この問題に対処する。 ウェーブレットベースのソース分離とディープラーニングベースのアテンションメカニズムを併用する。 本稿では,Wave-LSTMを用いて単一セルコピー数データからサブクローン構造を解読し,患者腫瘍プロファイルから生存予測性能を向上させるために,コピー数プロファイルからマルチスケール表現を導出できることを示す。

関連論文リスト

• Multi-Omic and Quantum Machine Learning Integration for Lung Subtypes Classification [0.0]
  量子コンピューティングと機械学習の融合は、マルチオミクスデータセット内の複雑なパターンを解き放つことを約束している。 我々は,バイオマーカー発見の可能性を秘めたLUADデータセットとLUSCデータセットの最適な識別方法を開発した。
  論文  参考訳（メタデータ） (2024-10-02T23:16:31Z)
• Multimodal Prototyping for cancer survival prediction [45.61869793509184]
  ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。 現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。 このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。 我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-28T20:37:01Z)
• Unlocking the Power of Multi-institutional Data: Integrating and Harmonizing Genomic Data Across Institutions [3.5489676012585236]
  共通遺伝子を超えて情報を保存するための統合的特徴を導出するためにブリッジモデルを導入する。 このモデルは、GenIE BPCデータにおいて、6種類のがん種にわたる患者の生存を予測するのに一貫して優れている。
  論文  参考訳（メタデータ） (2024-01-30T23:25:05Z)
• Multi-omics Sampling-based Graph Transformer for Synthetic Lethality Prediction [20.363977976628792]
  合成致死性(SL)予測は、2つの遺伝子の共変異が細胞死をもたらすかどうかを識別するために用いられる。 グラフニューラルネットワーク(GNN)は、メッセージパッシング機構の制限に悩まされる。 SL予測のためのマルチオミクスサンプリンググラフ変換器(MSGT-SL)を提案する。
  論文  参考訳（メタデータ） (2023-10-17T09:06:41Z)
• Cancer-inspired Genomics Mapper Model for the Generation of Synthetic DNA Sequences with Desired Genomics Signatures [0.0]
  がんに触発されたゲノムマッパーモデル(CGMM)は、遺伝的アルゴリズム(GA)とディープラーニング(DL)の手法を組み合わせたものである。 我々はCGMMが、祖先や癌などの選択された表現型の合成ゲノムを生成できることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T07:16:40Z)
• StyleGenes: Discrete and Efficient Latent Distributions for GANs [149.0290830305808]
  GAN(Generative Adversarial Networks)のための離散潜在分布を提案する。 連続的な先行点から潜在ベクトルを描く代わりに、学習可能な潜在点の有限集合からサンプリングする。 私たちは生物の情報のエンコーディングからインスピレーションを得ます。
  論文  参考訳（メタデータ） (2023-04-30T23:28:46Z)
• Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
  本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。 提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
  論文  参考訳（メタデータ） (2022-04-26T12:49:51Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。